\par Inom trävetenskapen är noggrann segmentering av icke-cellulära element i mikroskopibilder avgörande för applikationer som bedömning av träkvalitet och förståelse av tillväxtmönster, men utmanande på grund av den komplexa morfologin hos träkomponenter. Denna avhandling utforskar utvecklingen av en djupinlärningsbaserad, semisuperviserad modell för segmentering av icke-cellulära element i mikroskopibilder av gran, en viktig källa för byggmaterial i Europa, vilket adresserar utmaningen med den arbetsintensiva och expertisberoende manuella annoteringen. Segmenteringsmodellen använder effektivt avancerade djupinlärningsarkitekturer, inklusive konvolutionella neurala nätverk och Vision Transformer, för att fånga de inre mönstren inbäddade i trästrukturen. Genom att använda både märkta och omärkta data föreslår denna avhandling en Pixel-level Guided Mean-Teacher (PG-MT) ramverk som en förbättring av Mean-Teacher, vilket möjliggör pixel-nivå guidad korrigering för att förbättra segmenteringsnoggrannhet och modellens robusthet med begränsade märkta dataset. Experimentella utvärderingar visar att det föreslagna PG-MT-ramverket förbättrade Dice-poängen för märgstrålesegmentering med 0,95% och IoU-poängen med 1,14% jämfört med den Uncertainty-Aware Mean-Teacher (UA-MT). Dessutom betonar integrationen med laboratorieinstrument modellens effektivitet i att exakt uppskatta tvärsnittsväggtjocklek, vilket visar en stark korrelation med röntgenmätningar. Detta bekräftar modellens praktiska användbarhet i laboratoriemiljöer, vilket förbättrar analysen av träegenskaper. Studien står dock inför begränsningar, inklusive en datamängd av begränsat omfång vilket påverkar generaliserbarheten, och potentiella bias i manuella annoteringar som kan påverka noggrannheten. Trots dessa utmaningar tillhandahåller detta arbete en robust ramverk för trä mikroskopifältet, vilket avsevärt minskar annoteringsbördan och banar väg för mer automatiserad och exakt analys av träegenskaper.

Inom trävetenskapen är noggrann segmentering av icke-cellulära element i mikroskopibilder avgörande för applikationer som bedömning av träkvalitet och förståelse av tillväxtmönster, men utmanande på grund av den komplexa morfologin hos träkomponenter. Denna avhandling utforskar utvecklingen av en djupinlärningsbaserad, semisuperviserad modell för segmentering av icke-cellulära element i mikroskopibilder av gran, en viktig källa för byggmaterial i Europa, vilket adresserar utmaningen med den arbetsintensiva och expertisberoende manuella annoteringen. Segmenteringsmodellen använder effektivt avancerade djupinlärningsarkitekturer, inklusive konvolutionella neurala nätverk och Vision Transformer, för att fånga de inre mönstren inbäddade i trästrukturen. Genom att använda både märkta och omärkta data föreslår denna avhandling en Pixel-level Guided Mean-Teacher (PG-MT) ramverk som en förbättring av Mean-Teacher, vilket möjliggör pixel-nivå guidad korrigering för att förbättra segmenteringsnoggrannhet och modellens robusthet med begränsade märkta dataset. Experimentella utvärderingar visar att det föreslagna PG-MT-ramverket förbättrade Dice-poängen för märgstrålesegmentering med 0,95% och IoU-poängen med 1,14% jämfört med den Uncertainty-Aware Mean-Teacher (UA-MT). Dessutom betonar integrationen med laboratorieinstrument modellens effektivitet i att exakt uppskatta tvärsnittsväggtjocklek, vilket visar en stark korrelation med röntgenmätningar. Detta bekräftar modellens praktiska användbarhet i laboratoriemiljöer, vilket förbättrar analysen av träegenskaper. Studien står dock inför begränsningar, inklusive en datamängd av begränsat omfång vilket påverkar generaliserbarheten, och potentiella bias i manuella annoteringar som kan påverka noggrannheten. Trots dessa utmaningar tillhandahåller detta arbete en robust ramverk för trä mikroskopifältet, vilket avsevärt minskar annoteringsbördan och banar väg för mer automatiserad och exakt analys av träegenskaper.